Este é um estudo sobre a pressão arterial média intraoperatória em pacientes com apneia obstrutiva do sono submetidos a procedimentos cirúrgicos de perda de peso (bariátrica). Os participantes são 281 pacientes adultos diagnosticados com apneia obstrutiva do sono nos dois anos anteriores à sua cirurgia bariátrica. Além da pressão arterial média, o conjunto de dados inclui informações sobre demografia, status de oxigênio noturno, comorbidades, tipo e duração da cirurgia, vasopressores e frequência cardíaca. Os dados foram limpos e contêm alguns dados ausentes. Não há outliers ou problemas de dados.1
1.2 Tarefas
Os exercícios deste módulo abragem os seguintes temas:
Data Importation
Data Cleaning
Data Manipulation
Para elaborar estes exercícios são necessários dois ficheiros adicionais no formato ”.csv”.
Existem seções deste documento de avaliação do mesmo que não devem ser alteradas - Estão marcadas em secção própria.
Devo ser submetido o HTML resultante do render deste documento.
1.2.1 Setup
Código
rm(list =ls(all.names =TRUE)) # Packagesrequired_packages <-c("assertr","data.validator","janitor","tidyverse","rio"# colocar aqui se foram utilizados mais pacotes ) for (pkg in required_packages) {# install packages if not already presentif (!pkg %in%rownames(installed.packages())) {install.packages(pkg) }# load packages to this current session library(pkg, character.only =TRUE)}remove(required_packages)remove(pkg)
1.3 Exercicio M3.1
Importar o ficheiro hipoxia disponível na pasta datasets para um objeto chamado hypoxia.
Código
hypoxia <-import("datasets/hypoxia/hypoxia.csv")
1.4 Exercício M3.2
Criar um novo objeto com o nome hypoxia_clean em que se fez a limpeza as variáveis tendo em contas as boas práticas.
Código
hypoxia_clean <- hypoxia |>clean_names()
1.5 Exercício M3.3
Criar um novo objeto com o nome hypoxia_adult em que: - Existem apenas mulheres com idade superior a 25 e inferior 65 anos - Há apenas as variáveis idade, raça, female, bmi, sleeptime, min_sao2 e ahi
Criar um novo objeto hypoxia_adult2 com uma nova variável no dataset hypoxia_adult com o nome min_sao_class com a seguinte codificação baseada na variável min_sao2:
Criar novo objeto hypoxia_final com: Nova variável media - Calcular a média de bmi (remover NA!) Nova variével desvio_padrao - Calcular desvio-padrão do BMI
Isto deve ser calculada por cada classe de min_sao_class
O dataset survival_hypoxia tem dados dos mesmos doentes do dataset hypoxia. Junta os dois datasets e calcula a média do time_survival pelas variáveis female e diabetes.
[1] ":) DataFrame 'hypoxia_clean' tem as colunas no formato adequado"
[1] ":) DataFrame 'hypoxia_adult' criado com sucesso"
[1] ":) DataFrame 'hypoxia_adult2' criado com sucesso"
[1] ":) DataFrame 'hypoxia_final' criado com sucesso"
[1] ":) DataFrame 'survival_time' criado com sucesso"
Notas de rodapé
The Hypoxia MAP dataset was contributed by Dr. Amy Nowacki, Associate Professor, Cleveland Clinic. Please refer to this resource as: Amy S. Nowacki, “Hypoxia MAP Treatment Dataset”, TSHS Resources Portal (2022). Available at https://www.causeweb.org/tshs/hypoxia/.↩︎